卷积神经网络(CNN)由输入层、卷积层、激活函数、池化层、全连接层组成
(博客:https://blog.csdn.net/qq_30979017/article/details/79506593)
写得很不错呀,哈哈哈
1、卷积层的作用:用它来进行特征提取
有一个特性是:权值共享(只是在每一个filter上的每一个channel中是共享的;)
补充一下:对于多通道图像做1*1卷积,其实就是将输入图像的每个通道乘以系数后加在一起,即相当于将原图中本来各个独立的通道“联通”在了一起;
2、池化层的作用:对输入的特征图进行压缩,一方面使特征图变小,简化网络计算复杂度;另一方面进行特征压缩,提取主要特征
注意:pooling操作使特征图缩小,有可能影响网络的准确度,因此可以通过增加特征图的深度来弥补
3、全连接层的作用:连接所有的特征,将输出值送给分类器(如softmax)
另外:CNN网络中的前几层的卷积层的参数量占比小,计算量占比大;而后面的全连接层正好相反,大部分的CNN都有这个特点。
在进行网络计算优化时,重点放在卷积层;
进行参数优化、权值裁剪时,重点放在全连接层。